基于碎片化信息采集的東莞方言語料庫建設(shè)過程研究

李玉嵩 胡建慧 吳娜

摘要：基于碎片化信息采集的多模態(tài)東莞方言語料庫建設(shè)，能有效豐富采集內(nèi)容、立體描述語言體系，提高語言采集效率、準確度，便于公眾共享與檢索，是目前較為理想的語料庫搭建模式。文章從碎片化信息采集為切入點，集中論述了東莞方言語料庫建設(shè)過程中出現(xiàn)的情況。

關(guān)鍵詞：碎片化信息;信息采集;方言;語料庫

中圖分類號：G642.0? ? ?文獻標志碼：A? ? ?文章編號：1674-9324（2019）52-0066-03

語言檔案資料庫建設(shè)的關(guān)鍵點和難點在于語言動態(tài)采集，在語言交流和接觸越來越頻繁的今天，語料庫建設(shè)不能停留在單個方言代表人的采集上，而要廣泛采集語言使用者的語言檔案，不斷地擴大語言采集范圍，逐漸消除語言的個體差異，同時也要掌握更多語言變異的情況。

東莞地處珠江口，與廣州、惠州、深圳接壤，處于廣州話與客家話兩種方言之間，境內(nèi)主要通行東莞話，部分地區(qū)通行客家話，在語言調(diào)查及語言變異等方面都具有較高的研究價值。目前對東莞方言的調(diào)查研究比較豐富，但基本都停留在書面層面?；谒槠畔⒉杉恼Z料庫可以打破傳統(tǒng)語料庫采集對象較為單一，采集語料多為預設(shè)語料的局限，可以結(jié)合自然語料與預設(shè)語料，通過多模態(tài)的采集方式，整合地方的語言檔案。

一、發(fā)音人的選取及語言檔案采集內(nèi)容

（一）發(fā)音人的選取

發(fā)音人的選擇是語言檔案采集質(zhì)量的前提與基礎(chǔ)。東莞方言語料庫在發(fā)音人的選取上遵循以下原則：

代表性原則：發(fā)音人作為東莞方言的典型代表。在語言調(diào)查當中，發(fā)音人的選擇往往會直接影響到一個調(diào)查的準確性，因此發(fā)音人的代表性至關(guān)重要。傳統(tǒng)方言學研究在選擇發(fā)音人的時候往往會通過年齡、性別、教育和生活環(huán)境等因素來甄別。這樣的方法在人口流動較少，方言差異比較穩(wěn)定的地區(qū)比較有效。因此過去的方言田野調(diào)查只需在選定的地區(qū)選取年齡相當、口齒清晰、沒有長期離開該地的發(fā)音人即可。現(xiàn)代社會，由于人口流動、教育普及、媒體傳播等模糊了發(fā)音人是否滿足代表屬性的界限，因此在收集東莞方言語料庫時，發(fā)音人的代表性尤為關(guān)鍵，應(yīng)當采用“代表屬性”來確定具備代表性的發(fā)音人。

差異性原則：發(fā)音人涵蓋不同范圍的人群。傳統(tǒng)方言調(diào)查為了消除個人語言的特殊性，通常會選取3—4名或者更多的人作為發(fā)音合作人，但語料采集范圍的狹窄不能完全消除語言的個人差異，特別是在人口構(gòu)成類別復雜的城市中，不同的人口類別在語言掌握、語言選擇、語言使用和語言態(tài)度等諸多方面均存在著差異性。因此在采集語料時需要注重發(fā)音人的差異化，要選取不同職業(yè)類別、不同文化程度、不同年齡、不同地域的發(fā)音人。

發(fā)展性原則：兼顧發(fā)音人的年齡差異，體現(xiàn)語言發(fā)展的動態(tài)演變。語言是發(fā)展的，不同年齡階段的人群所使用的母語也有所不同。湯志祥，陳永康（2007）調(diào)查了深圳一個純客家話村落20個家庭中三代人的語言使用情況，發(fā)現(xiàn)年輕一代的母語方言使用比例下降，出現(xiàn)雙語或三語的語言使用狀態(tài)。雙語或多語必然會造成母語的變異，事實上不管是移民還是原居民，在雙語或多語的背景下其母語也會發(fā)生變異，因此在東莞這個城市化程度較高、語言使用情況較復雜的環(huán)境下，要動態(tài)收集東莞方言的語料，需要考慮發(fā)展性原則，兼顧不同年齡階段的發(fā)音人。

通過以上原則，課題組選取了若干位東莞當?shù)厝俗鳛楸狙芯康闹饕l(fā)音人。

（二）語料采集

本文論述的東莞方言語料庫的語料采集采取預設(shè)語料與自然語料相結(jié)合的方式。

預設(shè)語料為誘發(fā)式語料，語言調(diào)查員根據(jù)預設(shè)的調(diào)查材料引導發(fā)音人用母語方言說出相應(yīng)的語料，預設(shè)語料分字、詞及句子。字的調(diào)查用表為中國科學院語言研究所的《方言調(diào)查字表》（修訂本）以及暨南大學的《廣東方言調(diào)查通用字表》。其中使用了《方言調(diào)查字表》第x、xi、xii頁的聲調(diào)、聲母、韻母字對每個發(fā)音人進行預調(diào)查并進行初步的音系歸納。語音調(diào)查方面使用的是暨南大學漢語方言研究中心的《廣東方言調(diào)查通用字表》A級字表，A級字表收錄3743個字，包括漢語通用字以及部分粵方言字。

自然語料采取發(fā)音人自由發(fā)揮的方式采集，分給定題目及不固定題目兩種。給定題目如“節(jié)日風俗”“家鄉(xiāng)的美食”、“動植物”等，只提供語料范圍，要求發(fā)音人用母語方言自由表述;不固定題目則不限制語料范圍，讓發(fā)音人隨時隨地錄制方言語料。在采集自然語料的過程中，要求發(fā)音人將對應(yīng)的語料用普通話同時錄制，以便后續(xù)的轉(zhuǎn)寫及歸檔。

二、語言檔案的采集及歸檔

（一）語料采集的功能軟件

東莞方言語料庫的建設(shè)，采取功能軟件進行語料收集工作。其中預設(shè)語料部分采取多模態(tài)采集，使用的功能軟件是由上海高校比較語言學E-研究院以及上海師范大學語言研究所潘悟云、李龍、韓夏等研發(fā)的“斐風語言田野調(diào)查與分析系統(tǒng)”（版本2.1.2，以下簡稱“斐風系統(tǒng)”）。斐風系統(tǒng)具備語音轉(zhuǎn)寫及分析功能，有利于快速對預設(shè)語料進行語音轉(zhuǎn)寫，并進行語言學分析。同時，在預設(shè)語料的采集過程中還需要進行攝像，同步記錄語言材料發(fā)音過程的畫面。后期對語料的轉(zhuǎn)寫音標、音頻、視頻等材料整理存檔，形成多模態(tài)方言語料庫。

自然語料則通過上海斯旁信息科技有限公司開發(fā)的智能手機應(yīng)用“錄音達人”來采集。自然語料的采集具有不確定性，往往有很大的隨機性和即興性，不受時間、空間等因素的制約，因此需要一款方便使用的功能軟件來采集，智能手機應(yīng)用可以滿足自然語料的即時錄制、逐條歸檔及網(wǎng)絡(luò)分享，能實現(xiàn)語料的碎片化采集。

（二）采集過程

東莞方言語料庫預設(shè)語料的采集采用多模態(tài)的采集方式，語音采錄使用ZOOM H4N PRO便攜式數(shù)字錄音機進行錄音，采樣率為44100Hz。同時進行視頻采錄，視頻采錄使用索尼HDR-CX450高清數(shù)碼攝像機在錄音的過程中進行同步拍攝，后期根據(jù)語料條目進行剪輯歸檔。語音及視頻的采錄均在舒適安靜的錄音房內(nèi)進行。

自然語料的采錄具有較強的隨機性，因此自然語料的收集要求發(fā)音人在安靜的環(huán)境下通過智能手機APP自行進行采錄，采錄完成后根據(jù)語料內(nèi)容對音頻文件命名，并逐條保存，再通過網(wǎng)絡(luò)轉(zhuǎn)發(fā)給語料采集人。

（三）語言檔案的整理歸檔

東莞方言語料庫的語料轉(zhuǎn)寫標注，在語料采集后由經(jīng)過專業(yè)語言學田野調(diào)查訓練的研究人員轉(zhuǎn)寫，并使用國際音標進行標注。每一個預設(shè)語料條目都對應(yīng)漢字、國際音標標注、音頻片段、視頻片段，自然語料條目對應(yīng)漢字說明、國際音標標注以及音頻片段。東莞方言語料庫集語音、視頻、文字、國際音標標注于一體，使語料檢索、分析更加方便，有效提升了語料庫的使用效率。

三、碎片化方言語料庫的意義及應(yīng)用

基于碎片化信息采集的東莞方言語料庫，能有效地反映東莞不同鎮(zhèn)街的語言使用情況。同時為語言發(fā)展與變異研究提供更多的佐證語料。

（一）豐富了東莞方言語料采集內(nèi)容

本項目覆蓋了東莞不同鎮(zhèn)區(qū)、人群、職業(yè)的語言采集范圍，建立了發(fā)音人信息檔案庫、語音數(shù)據(jù)庫、圖像數(shù)據(jù)庫等，采集內(nèi)容體現(xiàn)出了東莞方言現(xiàn)狀，為東莞片區(qū)語言檔案的研究注入了新的素材和資源。

（二）創(chuàng)新了東莞方言語料采集方式

與傳統(tǒng)的采集方式不同，本項目突破了平面的紙質(zhì)文檔與單一的音頻匯總，采用音頻、視頻、文字一體化的采集方式，將采集內(nèi)容存儲于PC端，方便擴大傳播范圍。以提高檢索效率為目標，本項目將每個標注的文件按照詞義、詞性、場合分類，對標注后的多模態(tài)語料進行分別存儲，并對其個性化命名。

（三）促進東莞語言檔案資源的共享性與開放性

語言檔案資源共享性與開放性，是語言檔案資源利用的基礎(chǔ)，是所有語言檔案建設(shè)項目的終極目標。語言的發(fā)展離不開使用者的支持與使用，本項目在建設(shè)過程中，努力避免讓采集到的語言資源成為信息孤島，積極開發(fā)數(shù)據(jù)庫形式的網(wǎng)站，并予以公開。并聯(lián)系當?shù)氐臋n案機構(gòu)，積極推動更多的語言檔案資源的收錄工作，豐富當?shù)卣Z言存儲量。

東莞方言語料庫是地方文化建設(shè)的重要組成部分，在提升公眾語言保護意識、提升語言資源保護的針對性和指向性方面發(fā)揮了一定的影響力，同時也有助于學界及公眾對東莞方言現(xiàn)狀有更深刻的理解。

注釋：

（1）梁源，黃良喜.代表屬性：發(fā)音人的選擇和語料有效性[R].“第三屆中國地理語言學”國際學術(shù)研討會，廣州：暨南大學，2014年8月.

（2）湯志祥，陳永康.從單語區(qū)到多語區(qū)的歷史演變[C].人類語言學在中國：中國首屆人類語言學國際學術(shù)研討會論文集.戴昭銘主編，黑龍江：黑龍江人民出版社，2007：342-351.

參考文獻：

[1]李榮.東莞方言詞典[M].南京：江蘇教育出出版社，1997.

[2]詹伯慧.廣東粵方言概要[M].廣州：暨南大學出版社，2003.

[3]張曉.基于功能軟件的網(wǎng)絡(luò)多模態(tài)語料庫建設(shè)[J].伊犁師范學院學報（自然科學版），2018，12（04）：59-64.

[4]黃立鶴.語料庫4.0：多模態(tài)語料庫建設(shè)及其應(yīng)用[J].解放軍外國語學院學報，2015，38（03）：1-7+48+161.

[5]姜曉娜.我國瀕危方言語料檔案建設(shè)研究[J].山西檔案，2018，（03）：69-71.